通过使用机器学习的原子间潜力与主动学习加速对吸附物分子位置的全球搜索
Olga Klimanova1, Nikita Rybin1,2, Alexander Shapeev1,2
1Skolkovo Institute of Science and Technology, Moscow, Russian Federation. alexander@shapeev.com.
Physical chemistry chemical physics : PCCP
|April 15, 2025
概括
这项研究引入了一种机器学习算法,以加快在表面上发现分子吸附点的速度. 该方法准确地预测了表面吸附物质的几何形状,并与各种催化系统的文献结果相匹配.
科学领域:
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
- 表面科学是一门学科.
背景情况:
- 确定表面上的分子吸附点对于催化是至关重要的.
- 准确预测表面吸附物几何形状的计算要求很高.
研究的目的:
- 开发一种加速算法,用于识别分子吸附部位.
- 为了提高表面吸附物几何形状的全球优化效率.
主要方法:
- 利用机器学习的原子间潜力 (瞬间张量潜力) 来近似潜在能量表面.
- 采用积极学习算法用于自动化培训数据集构建.
- 在各种催化系统 (CO/Pd111),NO/Pd100,NH3/Cu100,C6H6/Ag111,CH2CO/Rh211) 上验证了方法.
主要成果:
- 该算法成功加速了对吸附位点的搜索.
- 预测的表面吸附剂几何学与现有文献数据一致.
- 这种方法在各种表面结晶学方向和吸附物类型中被证明是有效的.
结论:
- 开发的算法提供了一种有效和准确的方法来预测分子吸附点.
- 这种方法可以显著帮助催化和表面科学的研究.
- 机器学习潜力与主动学习相结合,为计算材料发现提供了强大的工具.


